(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210260015.6 (22)申请日 2022.03.16 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 李超　殷光强　王治国　唐飞　 任银旺　杨晓宇　林若希　 (74)专利代理 机构 成都天嘉专利事务所(普通 合伙) 5121 1 专利代理师 冉鹏程 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/74(2022.01) G06V 10/30(2022.01) (54)发明名称 一种基于全特征融合建立目标预判优化模 型的方法 (57)摘要 本发明公开了一种基于全特征融合建立目 标预判优化模型的方法， 包括： 一： 采集若干待识 别图像， 并确定出各待识别图像的不规则显著像 素簇； 二： 对待识别图像进行去噪增强处理， 得到 去噪增强图像； 三： 引入品质函数， 将去噪增强图 像转换成空间序列， 并基于空间序列得到时序信 息、 空序信息以及初始预判模型； 四： 将时序信息 与空序信息融合至初始预判模型， 并在保留时序 信息的情况下， 将所有待识别图像的图像帧融合 至初始预判模 型中， 得到基于全 特征融合的目标 预判模型； 五： 对目标预判模型进行智能优化， 得 到目标预判优化模型。 该方法赋予模 型自学习和 自适应能力， 使模型能够随着时间推移不断提升 识别效率， 最终实现熟悉目标的快速检测和高效 识别。 权利要求书3页 说明书7页 附图2页 CN 114842308 A 2022.08.02 CN 114842308 A 1.一种基于全特 征融合建立目标 预判优化模型的方法， 其特 征在于包括如下步骤： 步骤一： 使用摄像头采集若干待识别图像， 对待识别图像进行处理， 确定出各待识别图 像的不规则显著像素簇； 步骤二： 根据不规则显著像素簇对待识别图像进行去噪增强处理， 处理完成后得到去 噪增强图像； 步骤三： 在去噪增强图像引入品质函数度量观测到的特征之间的相互关系程度， 再根 据度量观测到的特征之 间的相互关系程度获取特征的关联测度， 然后基于 关联测度将去噪 增强图像转换成空间序列， 并基于空间序列得到时序信息、 空序信息以及 初始预判模型； 步骤四： 采用广义高阶循环网络， 将时序信 息与空序信 息融合至初始预判模型， 并在 保 留时序信息的情况下， 将所有待识别图像的图像帧融合至初始预判模型中， 融合完成后得 到基于全特 征融合的目标 预判模型； 步骤五： 对目标 预判模型进行智能优化， 优化完成后得到目标 预判优化模型。 2.根据权利要求1所述的一种基于全特征融合建立目标预判优化模型的方法， 其特征 在于： 步骤一中， 待识别图像的不规则显著像素簇采用基于Transformer的深度学习网络结 构处理得出。 3.根据权利要求1所述的一种基于全特征融合建立目标预判优化模型的方法， 其特征 在于： 步骤二中， 所述去噪增强处 理的方法为： S11： 将所有待识别图像的不规则显著像素簇以像素点为单位转换成序列数据， 转换完 成后得到多组序列数据； S12： 采用基于Transformer的深度学习网络结构分别对各组序列数据进行处理， 得到 多组处理数据； S13： 采用BM3D算法对多组处理数据进行处理， 将空域去噪和变换域去噪相结合， 得到 低噪图像； S14： 根据 NL‑Means算法在低噪图像中通过相似图像块之间的距离搜索相似图像块， 使 用相似图像块的块邻域实现维纳滤波， 滤波完成后， 再经加权聚合和比对即得到去 噪增强 图像。 4.根据权利要求3所述的一种基于全特征融合建立目标预判优化模型的方法， 其特征 在于： 步骤S14中， 所述去噪增强图像的得 出方法为： Step1： 计算相似图像块之间的距离， 计算公式如下： 式中， Zx为低噪图像中的参考图像块， ZxR为低噪图像中的待匹配区域图像块， 表示 对所有的参考图像块和待匹配区域图像块进行2D变换， Υ ′表示对所有低噪图像的数值进 行硬阈值操作， d(ZxR,Zx)为相似图像块的距离； Step2： 将相似图像块之间的距离进行分组， 分组后通过设置阈值进行协同滤波， 协同 滤波后再通过逆变换恢复所有低噪图像的数值到空域， 得到空域下相似图像块的距离， 其 中， 空域下相似图像块的距离的计算方法为：权　利　要　求　书 1/3 页 2 CN 114842308 A 2式中， 表示对所有的参考图像块和待匹配区域图像块进行3D逆变换， 表示低噪 图像中匹配后的区域图像块， Y表示协同滤波， 表示空域下相似图像块的距离； Step3： 对空域下相似图像块的距离进行加权聚合操作， 得到最终恢复的相似图像块的 块邻域， 块邻域的计算方法为： 式中， 表示块邻域； Step4： 先对所有 的低噪图像进行维纳滤波， 得到去噪图像， 再对所有 的去噪图像进行 加权聚合， 并使用权重公式对所有的去 噪图像设置权重， 然后将设置了权重的去 噪图像与 块邻域进 行比对， 比对结果满足 阈值条件的去噪图像则为去噪增强图像； 其中， 所述的权重 公式为： 式中， 表示维纳滤波系数， 表示经过维纳滤波后的去噪增强图像权重值， σ 表 示权重设置系数。 5.根据权利要求4所述的一种基于全特征融合建立目标预判优化模型的方法， 其特征 在于： 步骤Step2中， 所述的阈值 为0.5， 分组后以0.5为阈值进行协同滤波。 6.根据权利要求4所述的一种基于全特征融合建立目标预判优化模型的方法， 其特征 在于： 步骤Step4中， 所述的阈值条件为0.8， 比对结果满足阈值条件是指满足大于0.8的去 噪图像则为去噪增强图像。 7.根据权利要求1所述的一种基于全特征融合建立目标预判优化模型的方法， 其特征 在于： 步骤三中， 引入的品质函数为： 式中： 为 η特征观测的品质函数； 关联测度的获取 方法为： 式中： μ为关联测度； q为特征观测类型的总数； 为第i种特征观测的品质函数， 其自 变量依特征观测数据类型而定； δi为有效因子， δi＝1意义为第i种特征观测有效， δi＝0意义 为第i种特 征观测无效； ωi为赋予第i种特 征观测的权值， 且 权　利　要　求　书 2/3 页 3 CN 114842308 A 3